Spark 上下游数据校验及重新处理方法

需求场景如下:
上游mysql数据库每天经过sqoop导入hive中的分区表,在导入过程中sqoop偶尔会产生error等问题,导致下游数据与上游数据产生偏差,现在需要方法校验数据,以及对数据进行重跑,考虑过后决定使用重刷的方式进行处理

数据质量校验

1.先使用count进行数量上的校验,当上下游相同批次数据条数相同时则无需进行处理
2.当上下游数据量不同时 对下游数据进行重刷

数据重刷

spark通过读取上下游相同批次的两个数据集求full outer join来对比对应字段的null值
以下给出模拟数据集合

上游数据集A

id  
1   data1  .....
2   data2  .....
3   data3  .....
4</
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值